蚂蚁集团开源原生多模态大模型 Ling-3.0-flash-VL

蚂蚁集团宣布推出并开源百灵系列首个原生多模态大模型 Ling-3.0-flash-VL。该模型基于 Ling-3.0-flash 的 MoE 架构，总参数量 124B，单次推理激活 5.5B 参数，支持图像、文本与视频输入，上下文窗口达 256K Token。

模型引入视觉反馈闭环机制，将任务推进为“观察→行动→验证→修正”的持续闭环，在医疗报告解读、前端代码生成及 GUI 自动化等场景中能基于视觉反馈持续修正。在 Artificial Analysis Intelligence Index 评估中，其文本能力较纯文本版本提升 4 分。

在图片转网页任务中，模型能理解布局并生成代码，通过渲染对比自我修正，评测得分高于 GPT-5.4。作为 GUI Agent，可识别界面结构并完成跨工具操作；在医疗报告解读中支持跨文档数据整合。模型采用任意分辨率视觉编码器与 VideoRoPE，保持低延迟响应。

目前，Ling-3.0-flash-VL 已在 Ling Studio 上线并提供免费体验，BF16 和 FP8 版本已在 Hugging Face 及 ModelScope 开源，FP4 和 INT4 版本计划近期发布。